1.一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，包括：S1：获取原始数据，并对原始数据进行预处理，得到新数据集；所述原始数据包括用户评分数据、签到序列数据和时空信息数据；

S2：提取新数据集的相关属性；所述相关属性包括用户对兴趣点的评分信息和用户连续签到行为序列时空特征信息；

S3：根据用户对兴趣点的评分信息分别提取用户和兴趣点的特征向量，根据特征向量构建候选兴趣点列表；

S4：将用户连续签到行为序列时空特征信息输入到基于注意力机制的双向网络结构中，得到用户的动态行为偏好；

S5：根据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点，得到有序推荐集合；

S6：在有序推荐集合中选取最优的推荐兴趣点进行推荐。

2.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，对原始数据进行预处理的过程包括对原始数据进行清洗；设置签到阈值；

统计清洗后数据中所有用户对兴趣点的签到次数和所有兴趣点被用户签到的次数；若用户对兴趣点的签到次数小于签到阈值，则删除该用户的数据，若兴趣点被用户签到的次数小于签到阈值，则删除该兴趣点，得到新的数据集。

3.根据权利要求2所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，设置的签到阈值为5。

4.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，提取新数据集的相关属性的过程包括：S21：从新数据集的用户评分数据中获取用户对兴趣点的评分信息；

S22：从新数据集的签到序列数据和时空信息数据中提取用户连续签到时间特征；用户连续签到时间特征为用户连续两个签到时间的时间间隔；

S23：从新数据集中的签到序列数据和时空信息数据中提取用户连续签到兴趣点的空间位置特征信息；用户连续签到兴趣点的空间位置特征信息为用户每次连续签到两个兴趣点之间的距离。

5.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，根据用户对兴趣点的评分信息分别提取用户和兴趣点特征向量的过程包括：

S31：根据评分信息构建评分矩阵，采用矩阵分解算法对评分矩阵进行分解，得到用户特征向量pu和兴趣点特征向量ql；

S32：根据用户兴趣点的特征向量计算用户对兴趣点之间的相似度；

S33：根据用户对兴趣点之间的相似度选取候补兴趣点。

6.根据权利要求5所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，计算用户对兴趣点的兴趣度和兴趣点之间的相似度的公式为：其中，inter(u，l)表示用户u对兴趣点l的兴趣度，u表示用户，l表示兴趣点， 表示用户u的特征向量pu的转置，T表示转置，ql表示兴趣点l的特征向量，k表示特征向量中第k个特征值，K表示特征维度。

7.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，得到用户的动态行为偏好的具体过程包括：S41：采用双向网络结构对用户连续签到行为序列时空特征信息进行融合；

S42：采用注意力机制对融合信息特征进行选取，得到用户的动态行为偏好。

8.根据权利要求7所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，计算融合的公式为：Dt＝σ(WdΔDt+bd)

Tt＝σ(WtΔTt+bt)

rt＝σ(Wr[ht‑1,xt]+br)zt＝σ(Wz[ht‑1,xt]+bz)其中，ΔTt表示时间间隔，ΔDt表示距离间隔，Dt表示控制空间距离间隔的空间门限，Tt表示控制时间间隔的时间门限，xt表示兴趣点的特征向量输入，ht表示网络结构中第t个网络单元输出的隐含状态，⊙表示点乘，σ和tanh均为神经网络单元中的激活函数，Wd为拟合空间特征的参数，Wt为拟合时间特征的参数,Wr,Wz,Wh均为网络中的拟合参数，bd为拟合空间特征的偏置参数，bt为拟合时间特征的偏置参数,br,bz,bh均为网络中拟合的偏置参数。

9.根据权利要求7所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，采用注意力机制对融合信息特征进行计算的公式为：其中， 表示总的权重值，T表示网络结构中总的网络单元个数，hi表示整体网络结构第i个网络单元输出隐含状态，at表示网络结构中第t个网络单元输出隐含状态的权重占比， 表示正向网络第i个网络单元输出隐含状态， 表示反向网络第i个网络单元输出隐a

含状态， 表示向量拼接操作，e(ht)表示当前注意力机制层的权重，W表示注意力机制层的参数，a表示注意力机制层的权重占比。

10.根据权利要求1所述的一种融合用户连续签到行为序列上下文特征的兴趣点推荐方法，其特征在于，据用户的动态行为偏好在候选兴趣点列表中选取推荐兴趣点的过程包括：

S51：获取到指定数目的候选兴趣点列表；

S52：根据用户的动态行为偏好对候选兴趣点列表进行推荐预测，得到候选兴趣点的推荐预测概率；计算公式为：

S53：将推荐集合中用户对兴趣点的签到概率大小进行降序排序，以TOP‑N的方式向目标用户推荐用户未曾访问过的兴趣点集合；

其中， 表示候选兴趣点i的特征向量，Vu,l表示推荐预测概率，即用户u对兴趣点l的签到概率， 表示总的权重值，Wo表示网络最后输出层的参数， 表示向量拼接操作。